每个新时代都与之相应的先进思维模型。
智能时代，你的思维模型更新了么？
时代发展奔涌向前，当人工智能比人类更会下棋，比人类更懂商业金融，甚至比人类更了解人类时，我们才逐渐意识到——
“智能时代”，早已悄然而至。
变革带来的，不仅仅是全社会的科技进步，更是一部分人的强势崛起，他们正是那些深刻理解了全新时代先进思维模型的人。
数据！建造文明的基石许多人误以为数据就是数字，其实数据的范畴要比这大很多。在现代文明语境下，“数据”基本上等同于“信息”，如果从信息论的观点来看，数据就是信息和数据冗余之和，换言之，对数据按一定意义进行提取后得到有意义的那一部分就是信息。
而所谓“知识”其实是指信息之间的关联。下面这张图是最为经典的一张示意图，清晰地展示了从数据到信息、知识、洞见、智慧、影响的变化与区别，真是一图胜千言——
人类的发展离不开一种核心的底层思维模型，那就是“基于数据的思维模型”，我们获取数据、分析数据、建立模型、预测未知、修正模型，就这样一步步搭建了璀璨夺目的现代文明。
天文学的发展就是一段典型而有趣的历史，在古希腊文明时期，地中海沿岸的科学与哲学家们，无不对天文学研究抱有深厚的兴趣，而其中最突出的是天文学家托勒密，因为是他利用了当时积累了100多年的数据建立起天体运动的数学模型。
不过，托勒密的模型基于一个重要的思想，那就是天体运动轨迹是一个完美的圆形，并且地球是天体运动的中心。托勒密的伟大在于使用了40至60个圆进行嵌套，如下图所示，这个模型成功吻合了当时所有的数据，并且极为精确地实现了天体位置的预测。即便在有计算机帮助的今天，我们也不得不表示叹为观止。
托勒密的数学模型
后来，资质平庸的开普勒非常幸运地从他的老师第谷手中继承了海量的精确观测数据，在日心说思想的指导下，发现轨道实际上是椭圆形的，从此提出了三个形式极为简单的著名的“开普勒定律”。至于为什么是椭圆形，开普勒自己也说不清楚，他只是将数据做了很好的拟合罢了。当然后来牛顿提出了万有引力，才解释了这一切。
托勒密与开普勒有区别在哪里呢？一是数据量的差别，海量的精准数据可以直接引导模型的诞生；二是对数据筛选的差别，日心说与地心说的不同思想指导下，从数据中筛选出的“信息”是完全不同的。
数理统计：数据的点石成金术至此我们可以理解，筛选分析过的数据才是信息，而筛选分析数据中一种最有效的数学手段，称为“数理统计”。
数理统计的思想基础是“概率论”，是人类应对“不确定性”最有效的思维模型之一，其核心思想就是“通过对部分对象的数据分析，来推理出全体对象的信息，从而预测未来情况的可能性”，也就是术语讲的，“用样本估计总体，从而计算事件的概率”。
对概率统计感兴趣的读者可以移步科技千里眼专栏，10堂课理解概率统计核心思想。
“不确定性”听起来似乎让人感到不怎么踏实，但是，不确定性是客观存在的，一是由于影响世界的变量太多以至于无法完全用数学模型描述；二是由于宇宙本身就拥有不确定性的特性。罗振宇说“聪明人就是擅长与不确定性共舞的人”，在智能时代，我们如何能够坦然面对不确定性并与之共舞呢？
混沌大学创始人李善友的一句话可以作为解答，同时也点破了大数据解决智能问题的本质，这句话是：“用不确定的眼光看待世界，再用信息来消除这种不确定性”。
“让机器拥有像人一样的智能”，是科学家们一直以来的梦想，最早的思路其实也很朴素，就是想办法“让机器模仿人类的思维方式”，这也是依靠直觉最容易想到的。这类思路有点类似于早期制造会飞的机器都是模仿鸟类的飞行方式一样，称为“鸟飞派”，当然现在我们知道了，飞机的发明依靠的是空气动力学而不是仿生学。
歼20战斗机——跟鸟类一点也不像
所以，要想得到机器智能，并不一定要先研究神经科学，进而模仿人脑结构。但是，从人脑获得智能的过程，即“学习”过程中，我们还是得到了启发。
人在成长过程中，大脑不断地接受外界事物的刺激，通过全身上下的多维传感器输入了大量的信号，也就是数据，进而大脑结构发生变化形成思维，这就是人脑的学习过程。
机器学习的本质与人类学习并没有什么不同，首先在计算机中内置一套“可进化的神经网络系统”，然后输入大量的数据来训练这套网络系统，数据越多，系统越好，这正是解决智能时代问题的核心方法——“数据驱动方法”。
解决同一个问题，当然也可以有各种不同的思路。人类文明发展至今，解决工程问题的思路并不统一，还出现了两派分歧。一派是以苏联为代表的“模型驱动”，他们数学功底极强但是缺乏算力与数据，所以研究重点是寻找准确但复杂的数学模型；另一派是以美国为代表的“数据驱动”，他们数学功底平平，但是计算机强大且数据量多，所以喜欢使用很多简单模型的组合来替代复杂模型。
从目前的结果上来看，“数据驱动”显然更胜一筹，这也是当代工程学的主流思路，从计算机的0与1发展到今天的机器智能，都是这种“使用简单模型组合来替代复杂模型”思路的胜利。
看似复杂的Simulink系统其实是许多简单小模型的组合
那么，在这背后的底层逻辑是什么呢？
原因在于，单个复杂模型中包含了“过多的人工预设项”，相当于将模型的可进化能力降低了，而注入了过多建模者的个人理解；但是，多个简单模型组合后，相当于留下很多“自由度”，以契合海量的数据，模型由数据引导发生进化，即所谓的“数据驱动”。从结果上看，一定量的数据就能让简单模型的组合进化到非常准确的预测水平，其实这完全基于并符合概率统计上的切比雪夫大数定律，以及微积分思想中的泰勒展开与傅立叶展开思想。
思维模型大变革：欢迎来到智能时代回想工业时代，当时的核心思维模型是什么呢？其实就是“机械思维”，虽然我们现在往往都把它当作贬义词去使用，但是，不得不承认，正是机械思维带领我们快速步入了工业文明，而我们至今在解决问题时，其实也常常是以机械思维为主导的。
什么是机械思维？其实就是“因果思维”，一件事情的发生，是由另一件事情导致的。因果关系在数学中使用导数、积分、微分方程来表示，可以说，人类对于物理世界的认知其实就是微分方程。
对微积分感兴趣的读者可以移步科技千里眼专栏，10堂课理解微积分核心思想。
但是，智能时代的到来颠覆了这一认知。
这里举出一个被《福布斯》杂志等多家媒体报道过的真实案例，让我们再次感受一下大数据的力量。
有一天，一个男子找一家商店理论，原因是男子的高中生女儿竟然收到了一堆母婴用品的优惠券，“这不是鼓励我女儿过早怀孕么？”男子非常生气。可是，几个月后，男子却反过来道歉，因为女儿真的怀孕了！
这家商店利用大数据信息，分析数据的“相关性”，将男子的女儿打上了怀孕的标签，它比男子更早知道他女儿怀孕。
这样的例子已经数不胜数了，比如美国利用“用电模式”大数据，精准分析出那些在房屋内种植大麻的犯罪分子，至2011年仅在俄州一个州就破获60例这样的案件。
智能时代，“因果思维模型”将逐渐淡化，而“相关性模型”则发挥出越来越强的威力，我们将逐渐的用强相关性来代替因果性，不追究事件的说不清的原因，而更强调事件之间的相关性，因为这是智能时代解决问题最有效的手段。
大数据：智能时代的第一资本数据如此重要，我们天天说的“大数据”岂不是更重要？是的，大数据很有可能是智能时代最关键的资本之一。
就如同“大国”之“大”不仅在于国土面积大一样，大数据的“大”更在于以下四个特征：
海量、多维、完备、实时
“完备性”，这也是带有深深的时代印记的，当互联网发展到今天，有一件以前想都不敢想的事情强力地改变了我们认识世界的方法，那就是“样本量可以非常接近甚至等于全体量”，也就是说，原本还需要从大数定律给我们以信心，而现在则完全可以直接研究全体，那么准确性自然就毋庸置疑了。
由此可知，本来我们认为笨重落后的“穷举法”，在这个时代，必须对其进行重新的认识。
当今最有价值的一批互联网巨头，在我们一般人看来，无非就是一些搜索引擎公司、电商公司、媒体公司，比如谷歌、亚马逊、百度、小米等，为什么它们备受瞩目呢？原因很简单，它们的本质都是——
“数据公司”
它们手中掌握的大数据资源才是真正的资本，掌握了大数据就掌握了对于这个世界精准的认知。我们知道，一个人的财富就是它对于世界认知的变现，而一家公司的价值也是它看对于世界是如何认知的。未来，大数据会像现在的石油一样，成为非常重要的战略资源与资本，小公司及个人需要从大公司采购数据甚至采购算力。
科技千里眼头条号，长期致力于以最易懂的讲解诠释科学技术知识，与中国所有自我教育者一同学习、理解科技、认识世界。已发布专栏包括线性代数、微积分、概率统计、理论力学、材料力学、结构力学、流体力学、传热学、MATLAB、有限元、多物理场、材料科学等各个方面，抓住核心思想，提炼学科精华，重构知识体系，用生动极简的语言，极速理解理论力学学科精要，轻松掌握学科应用。
,
